一种结合即插即用深度卷积网络和快速分裂的图像超分辨率方法技术

本发明专利技术公开了一种结合即插即用深度卷积网络和快速分裂的图像超分辨率方法，其包括以下步骤：（1）获取待处理的退化图像并进行预处理；（2）构建即插即用深度卷积和快速分裂网络即plug‑and‑play网络；包括：密集残差U型降噪模块和稀疏诱导项的图像恢复模块；（3）将预处理后的图像输入plug‑and‑play网络进行训练，最终得到处理后的清晰图像；本发明专利技术结合了深度卷积网络和传统算法，既可以发挥深度学习算法在提取特征时候的强大优势，也可以引入传统算法带来的先验知识，使模型具有比较强的解释性和鲁棒性，能够清晰地描述重建过程和优化过程，让整体的超分辨率效果有显著的提升。

【技术实现步骤摘要】

本专利技术涉及计算机视觉，具体涉及一种结合即插即用深度卷积网络和快速分裂的图像超分辨率方法。

技术介绍

1、图像超分辨率是计算机视觉和人工智能领域的一个重要研究方向，其旨在旨在通过增加图像的空间分辨率、恢复退化图像的清晰度和细节，以提高图像的质量和可用性。退化图像通常由于相机晃动、物体运动或者镜头不准确等因素引起，导致图像分辨率低、细节模糊或者丢失，从而降低了图像的视觉质量和信息含量。因此，图像超分辨率技术在摄影摄像、医学影响、监控和安全、卫星遥感和安全领域都发挥着重要的作用。

2、基于传统算法的图像超分辨率方法，通常具有较高的可解释性。不需要大量的标记数据进行训练，也不需要复杂的计算设备和算法库，资源消耗较低。对于小尺寸的低分辨率图像，能够在较短的时间内完成图像重建。但是传统算法通常基于数学模型和规则，对于复杂的图像结构和纹理，可能无法充分利用图像中的信息，导致重建效果不佳。基于深度学习网络的图像超分辨率方法，可以通过端到端的方式进行学习，直接从输入图像到输出图像的映射关系，无需手工设计复杂的先验模型。并且能够自适应地学习图像数据中的复杂特征本文档来自技高网...

【技术保护点】

1.一种结合即插即用深度卷积网络和快速分裂的图像超分辨率方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种结合即插即用深度卷积网络和快速分裂的图像超分辨率方法，其特征在于，步骤（1）包括以下步骤：

3.根据权利要求2所述的一种结合即插即用深度卷积网络和快速分裂的图像超分辨率方法，其特征在于，步骤（11）包括以下步骤：

4.根据权利要求1所述的一种结合即插即用深度卷积网络和快速分裂的图像超分辨率方法，其特征在于，步骤（2）中，密集残差U型降噪网络具体如下：首先，在密集残差U型降噪模块中的正向传播模块后，增加梯度计算模块；然后训练网络；其中，梯...

【技术特征摘要】

1.一种结合即插即用深度卷积网络和快速分裂的图像超分辨率方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种结合即插即用深度卷积网络和快速分裂的图像超分辨率方法，其特征在于，步骤（1）包括以下步骤：

3.根据权利要求2所述的一种结合即插即用深度卷积网络和快速分裂的图像超分辨率方法，其特征在于，步骤（11）包括以下步骤：

4.根据权利要求1所述的一种结合即插即用深度卷积网络和快速分裂的图像超分辨率方法，其特征在于，...

【专利技术属性】
技术研发人员：吴中明，袁志伟，曾铁勇，万能，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：